論文の概要: Physics Informed Machine Learning for Chemistry Tabulation

• arxiv url: http://arxiv.org/abs/2211.03022v1
• Date: Sun, 6 Nov 2022 04:24:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-08 16:37:54.623945
• Title: Physics Informed Machine Learning for Chemistry Tabulation
• Title（参考訳）: 化学表作成のための物理インフォームド機械学習
• Authors: Amol Salunkhe, Dwyer Deighan, Paul Desjardin, Varun Chandola
• Abstract要約: 動的に生成するThemochemical State Variablesを組み込むため,ChemTabベースの定式化と実装を構築した。 このディープニューラルネットワークアーキテクチャの実装における課題について議論し、その性能を実験的に実証する。
• 参考スコア（独自算出の注目度）: 5.368509527675853
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modeling of turbulent combustion system requires modeling the underlying chemistry and the turbulent flow. Solving both systems simultaneously is computationally prohibitive. Instead, given the difference in scales at which the two sub-systems evolve, the two sub-systems are typically (re)solved separately. Popular approaches such as the Flamelet Generated Manifolds (FGM) use a two-step strategy where the governing reaction kinetics are pre-computed and mapped to a low-dimensional manifold, characterized by a few reaction progress variables (model reduction) and the manifold is then ``looked-up'' during the runtime to estimate the high-dimensional system state by the flow system. While existing works have focused on these two steps independently, in this work we show that joint learning of the progress variables and the look--up model, can yield more accurate results. We build on the base formulation and implementation ChemTab to include the dynamically generated Themochemical State Variables (Lower Dimensional Dynamic Source Terms). We discuss the challenges in the implementation of this deep neural network architecture and experimentally demonstrate it's superior performance.
• Abstract（参考訳）: 乱流燃焼システムのモデリングには、基礎となる化学と乱流のモデリングが必要である。 両方のシステムを同時に解くことは、計算的に禁止される。 代わりに、2つのサブシステムが進化するスケールの違いを考えると、2つのサブシステムは通常(再)別々に解決される。 フラムレット生成多様体 (FGM) のような一般的なアプローチでは、制御反応の速度論を事前計算し、いくつかの反応進行変数(モデル還元)を特徴とする低次元多様体にマッピングする2段階の戦略を用いており、その多様体は、フローシステムによって高次元系の状態を推定するために実行時に 'looked-up' となる。 既存の研究は,これら2つのステップを独立して研究してきたが,本研究では,進捗変数とルックアップモデルの合同学習により,より正確な結果が得られることを示す。 我々は,ChemTabの基本的な定式化と実装に基づいて,動的に生成するThemochemical State Variables (Lower dimensional Dynamic Source Terms) を含む。 このディープニューラルネットワークアーキテクチャの実装における課題について議論し、その性能を実験的に実証する。

関連論文リスト

• Learning System Dynamics without Forgetting [60.08612207170659]
  未知の力学を持つ系の軌道予測は、物理学や生物学を含む様々な研究分野において重要である。 本稿では,モードスイッチンググラフODE (MS-GODE) の新たなフレームワークを提案する。 生体力学の異なる多様な系を特徴とする生体力学システムの新しいベンチマークを構築した。
  論文  参考訳（メタデータ） (2024-06-30T14:55:18Z)
• Causal Graph ODE: Continuous Treatment Effect Modeling in Multi-agent Dynamical Systems [70.84976977950075]
  実世界のマルチエージェントシステムは、しばしば動的で連続的であり、エージェントは時間とともにその軌道や相互作用を共進化させ、変化させる。 本稿では,グラフニューラルネットワーク(GNN)をODE関数として,エージェント間の連続的な相互作用をキャプチャする新しいモデルを提案する。 我々のモデルの主な革新は、治療の時間依存表現を学習し、ODE関数にそれらを組み込むことで、潜在的な結果の正確な予測を可能にすることである。
  論文  参考訳（メタデータ） (2024-02-29T23:07:07Z)
• PARCv2: Physics-aware Recurrent Convolutional Neural Networks for Spatiotemporal Dynamics Modeling [0.0467310397627937]
  一般非線形場進化問題をモデル化するための多元性および一般化勾配の帰納的バイアスアプローチについて検討する。 本研究は、微分器積分器アーキテクチャを組み込んだ最近の物理認識畳み込み(PARC)に焦点を当てたものである。 PARCの能力を拡張して、非定常、過渡、および対流支配のシステムをシミュレートする。
  論文  参考訳（メタデータ） (2024-02-19T20:11:46Z)
• Generalizing Graph ODE for Learning Complex System Dynamics across Environments [33.63818978256567]
  GG-ODEは、環境全体にわたる継続的マルチエージェントシステムのダイナミクスを学習するための機械学習フレームワークである。 我々のモデルは、グラフニューラルネットワーク(GNN)によりパラメータ化されたニューラル常微分方程式(ODE)を用いてシステムダイナミクスを学習する。 様々な物理シミュレーション実験により,我々のモデルは,特に長距離において,システム力学を正確に予測できることが示されている。
  論文  参考訳（メタデータ） (2023-07-10T00:29:25Z)
• Forecasting through deep learning and modal decomposition in two-phase concentric jets [2.362412515574206]
  本研究はターボファンエンジンにおける燃料室噴射器の性能向上を目的としている。 燃料/空気混合物のリアルタイム予測と改善を可能にするモデルの開発が必要である。
  論文  参考訳（メタデータ） (2022-12-24T12:59:41Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• ChemTab: A Physics Guided Chemistry Modeling Framework [5.368509527675853]
  進行変数とルックアップモデルの共同学習により,より正確な結果が得られることを示す。 我々は、共同学習タスク用にカスタマイズされたChemTabと呼ばれるディープニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-02-20T16:21:13Z)
• Equivariant vector field network for many-body system modeling [65.22203086172019]
  Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。 シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
  論文  参考訳（メタデータ） (2021-10-26T14:26:25Z)
• GEM: Group Enhanced Model for Learning Dynamical Control Systems [78.56159072162103]
  サンプルベースの学習が可能な効果的なダイナミクスモデルを構築します。 リー代数ベクトル空間上のダイナミクスの学習は、直接状態遷移モデルを学ぶよりも効果的であることを示す。 この研究は、ダイナミクスの学習とリー群の性質の関連性を明らかにし、新たな研究の方向への扉を開く。
  論文  参考訳（メタデータ） (2021-04-07T01:08:18Z)
• Energy-based View of Retrosynthesis [70.66156081030766]
  エネルギーモデルとしてシーケンスおよびグラフベースの手法を統一するフレームワークを提案する。 本稿では,ベイズ前方および後方予測に対して一貫した訓練を行うフレームワーク内での新しい二重変種を提案する。 このモデルは、反応型が不明なテンプレートフリーアプローチに対して、最先端の性能を9.6%向上させる。
  論文  参考訳（メタデータ） (2020-07-14T18:51:06Z)
• Deep Adversarial Koopman Model for Reaction-Diffusion systems [0.304585143845864]
  本稿では,反応拡散系に数値シミュレーション戦略を適用する。 逆方向と勾配方向の損失を導入し、予測を強固にする。 提案したモデルは、不足したトレーニングデータを扱うように拡張され、制御の観点から問題を再キャストする。
  論文  参考訳（メタデータ） (2020-06-09T23:12:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。